Handling Sparse Non-negative Data in Finance
金融领域稀疏非负数据的估计方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般非负数据估计与公司金融应用，未直接涉及所列金融细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
金融领域稀疏非负数据的估计方法
- 研究问题
- 当金融与经济中的非负数据同时具有稀疏性和异方差时，泊松回归是否合适，如何根据场景选择更合适的估计方法？
- 方法与思路
- 作者提出包含泊松回归的一类矩估计方法，以平衡偏差与方差，并采用交叉验证选择估计量，辅以模拟和公司金融应用。
- 材料陈述的贡献
- 摘要称最合适的估计方法随场景显著变化，常偏离泊松回归，由此支持在稀疏且异方差的数据中采用更灵活的框架。
- 阅读关注点
- 应核对矩条件、不同估计量的目标与偏差来源、交叉验证损失函数，以及稀疏程度和异方差设定如何影响比较结果。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收；摘要未说明最优性的评价标准与理论条件，不能推广为泊松回归普遍较差。
原文摘要
We show that Poisson regression, though often recommended over log-linear regression for modeling count and other non-negative variables in finance and economics, can be far from optimal when heteroskedasticity and sparsity -- two common features of such data -- are both present. We propose a general class of moment estimators, encompassing Poisson regression, that balances the bias-variance trade-off under these conditions. A simple cross-validation procedure selects the optimal estimator. Numerical simulations and applications to corporate finance data reveal that the best choice varies substantially across settings and often departs from Poisson regression, underscoring the need for a more flexible estimation framework.